造物潭押注AI工程师,完成数千万天使轮融资

资讯 AI 行业观察 全文 4767 字 · 约 12 分钟读完 配图 4 张

造物潭押注"AI工程师":重新定义硬件研发的交付方式|甲子光年

造物潭押注AI工程师,完成数千万天使轮融资(配图 1)
造物潭押注AI工程师,完成数千万天使轮融资(配图 2)
让AI真正
走进工程研发现场。


到底有多少制造企业,缺的是一个真正懂研发的AI数字员工?


关于「数字员工」,各人有各人的说法。有人把它当成检索工具,千万份PDF规格书几秒读完,BOM表也能顺手整理;有人觉得它是超级大脑,能在不同EDA软件之间跨平台画图;还有人干脆认为,它就是个更强的AI Copilot。答案并不统一,可研发AI已经是全球竞争最硬的赛道之一。


制造业如今逢人便谈AI落地,「甲子光年」想追问的那些问题,在造物潭身上找到了新的回应。


造物潭团队在一次深度交流中聊起做产品最初的想法:“不是更会聊天,而是更接近真实研发。”


「甲子光年」获悉,制造业AI企业造物潭已完成天使轮融资,金额数千万元。本轮由嘉铭浩春领投,国资战略引导基金与智能制造领域的产业资本共同参与。资金将用于三个方向:训练和迭代自研的电子行业大模型、继续搭建工程对象本体体系,以及交付企业级产品并拓展市场。


造物潭2026年6月成立,创始人兼CEO是文堃。核心产品「小潭子」想做的事,是让AI从工程师的助手变成能真正接活的数字同事:一个AI统筹任务,其余AI分头负责方案、器件、电路、结构等环节,分工协作起来就像一支真实的研发团队。


嘉铭浩春作为领投方称:“造物潭将资深工程师的经验转化为可交付、可验收的研发数字员工,给制造业研发带来了真正能落地的确定性。团队在[AI+工程]上的独特优势我们很看好,也期待它成为制造业研发智能化的引领者。”




大模型如今已经能画图,可制造业为什么还在等图纸?


到了2026年,自然语言直接生成产品渲染图、拆解技术方案、写出完整PRD文档,这些大模型都做得到。但硬件研发的瓶颈并没有消失:从产品构想到可投产的工程设计,依旧要花上数月,还得靠跨专业团队一起协作。


症结在哪儿?AI画得出示意图,却画不了工程图。


一份能直接投产的工程设计文件,往背后看是器件选型、原理图绘制、PCB布线、结构设计、EMC仿真、BOM整理、工程图输出等几十个环节,每个环节都有自己的专业门槛。电路工程师得盯信号完整性和热设计,结构工程师要在外观、强度与成本之间找平衡,嵌入式工程师则要保证驱动代码与硬件时序对得上。


更麻烦的是,这些环节彼此怎么依赖,大多只装在工程师脑子里。“改了这颗芯片的封装,PCB工程师那边的布线要重来”,“外壳加厚2mm,散热仿真要重做。”


通用大模型读得懂自然语言,却读不懂工程对象。


过去几十年,中国建起了全球领先的硬件制造体系。元器件供应、PCB打样、整机生产,成熟的产业链让制造环节越来越高效。可制造之前那一步,也就是把一个产品构想变成可靠的工程设计,仍然要电子、软件、结构等多专业工程师联手,走完方案设计、工程评审、样机试制和反复验证。


为什么是现在?大模型的推理与工具调用能力已经跨过临界点。2026年11月,Anthropic与Diode Computers合作做出三款电子设备的原型:从简短的产品需求出发,Claude完成了器件选型、电路与四层PCB设计、三维外壳及固件开发,最后由Diode制造出能跑起来的原型。基础模型具备完成完整硬件任务的可能性,这一点得到了证明。


不过,从跑通原型到放进产线,中间还隔着完整的工程验证。器件买不买得到、封装兼不兼容、图纸过不过得了评审,这些问题通用模型答不上来。硬件研发是典型的执行密集型场景:一个完整新品走向量产,横跨电子、结构、嵌软三大泳道,需求收集、器件选型、原理图、PCB Layout、打样、测试、安规认证等几十个严密节点都在里面,哪个节点出了偏差,都会引发连锁的回滚。


「甲子光年」的看法是,中国建起了全球最强的制造体系,却在“想法到图纸”这一段被AI时代再次卡住。制造业AI的真问题不在某一个环节,而在整体的流转效率。眼下AI越来越引发替代执行的讨论,这类执行密集型场景反倒更可能成为突破口。


造物潭想做的,就是让AI从“会画”变成“真懂”。下一步,Ai要做的不是生成一张漂亮的示意图,而是交出一套能直接投产、经得起工程验证的完整设计方案。




2.三层递进:

从基础模型到会干活的工程队


把各环节理清楚之后,实际执行由谁来做?


造物潭的技术体系分作三层,一层托着一层往上走。基础模型供给通用智能,把能力起点不断推高;行业模型让通用能力扎进硬件研发的专业地盘;数字员工负责完成真实工程任务,再把实践中攒下的经验回灌给整个体系。


最底下这层是基础模型,为专业智能垫起一个持续抬升的能力起点。复杂推理、任务规划、工具使用——全球基础模型在这些方面的长进,正把AI能扛的工程任务边界一步步往外推。起点越高,行业模型能啃的专业问题就越复杂,数字员工能接的研发活计也越多。


中间层是自研电子行业大模型,靠专业知识与工程经验的日积月累,长出不断加深的工程判断力。造物潭手里已有数百万项专业工程数据与设计资产;同时,研发任务中产生的工程决策、设计修改和验证结果,经由工程对象本体体系与这些资产挂上钩,模型因此既懂专业设计知识,也清楚工程判断背后的依据。经验经过授权、筛选和评测后持续回流,一条递归式进化路径已经跑通:模型参与设计,结果接受验证,有效经验拿去优化模型,增强后的模型再投入新的研发任务。


最上面这层是专业数字员工,在真实任务里一点点磨出工程技能。小潭子的数字员工依仗行业模型干活,调用专业工具、处理工程对象、完成设计任务;验证过的工作流程、问题处理办法和工具使用策略,已经沉淀成可复用的专业技能,后面的项目里数字员工就能接更复杂的设计活。


造物潭押注AI工程师,完成数千万天使轮融资(配图 3)

【小潭子】模型体系框架示意图


「甲子光年」的看法是,三层架构的要害落在“持续进化”上——行业模型靠专业理解和工程判断长大,数字员工靠完成任务的方法与效率长大,两者在真实工程实践里互相推着走。硬件项目源源不断进入这套体系,模型能力、专业经验与数字员工技能便转成一个越转越强的循环。


落到执行上,造物潭把人类真实的研发组织架构搬进了系统。团队把研发流程拆成S0-S4五个阶段,加上电子、结构、嵌软三大泳道,理出一条由40个环节组成的端到端研发场景。硬件研发的麻烦常常不在单个环节,而在环节与环节的联动:电路工程师清楚,改了这颗芯片的封装,PCB工程师那边的布线就得重来;结构工程师清楚,外壳加厚2mm,散热仿真就得重做。这些依赖关系多半藏在工程师的经验里,隐性、易漏、难传承。


造物潭押注AI工程师,完成数千万天使轮融资(配图 4)

【小潭子】从端到端场景示意图


造物潭要做的,是把这些藏在经验里的隐性依赖写进工程对象本身。哪个环节一改,系统就能自动划出影响范围——哪些任务得跟着调、哪些验证要重跑。这套思路跟软件工程里的依赖管理很像,只是被搬到了硬件研发上。


文堃提到,常有人问,为什么梳理这40个环节要付出这么大代价。他的解释是,连该做什么都没弄明白,AI再聪明也只是白忙一场。他强调,团队要的不是一个会聊天的助手,而是一支真正懂规矩、能接活的工程队。


沿着这个思路,小潭子组起了一支“硅基研发团队”。用户输入一句自然语言需求,超级智能体(Super-agent)先像项目主管那样停一下,把任务边界确认清楚,再自己拆解目标,拉起一个虚拟项目组,里头有方案工程师、器件工程师、结构工程师。到了细节设计,器件工程师自己去数据库里匹配参数;进入打样与调试,调试工程师再介入验证。回答问题的不再是一个全能的AI,而是一支按工厂规矩办事的团队。


文堃把小潭子叫作Digital Worker(数字员工)。在他看来,Chatbot重在输出端,问一句答一句;Digital Worker重在输入端,用户给出研发目标,它自己找工具、调数据,把活干完。“以前工程师是拿着工具干活,耗费精力;现在工程师是给数字员工下达指令,自己做最后的决断。”




3.从“能干活”到“敢用它干活”:

制造业AI的信任成本


技术上行不行是一回事,企业敢不敢用是另一回事。


造物潭团队走访时发现,制造业老板对AI的心态很拧巴:研发周期压着,他们急需提效的工具;可硬件研发牵着企业命脉,封装选错、图纸报错,几十万报废的代价还得企业自己扛。研发图纸和BOM表,恰恰是老板最看重的核心资产。


一位做电源模块的老板就说:“你们的东西听起来是好,但图纸有私密性,被偷了、被改了,我这厂就完了。这个险我不敢冒。”


图纸被偷了、被改了,厂子会不会跟着完蛋?数据一旦外泄又该怎么收场?这些担心并非多虑,而是制造业绕不开的信任门槛。


造物潭的第一层答案是把系统搬进企业内网:数据不出域,每一步操作都留下记录。“进入车间的AI,在数据安全上没有任何余地。”文堃说。安全这关过了,人和AI谁干什么就成了下一个问题。在这套体系里,造物潭给小潭子定的调子相当克制——工程执行里的基础活儿归它,碰到跨学科的超复杂创新、极端非标的场景,它会主动停下来,不硬装懂,把基础资料备齐,原样交回人类手上。



「甲子光年」的看法是,AI守本分干活、人类拍板定案,这种分工来自造物潭对物理规则的敬畏。机器只管执行,不越界逞强;人的创造力也就不必耗在基础劳动里。


信任一旦立住,效率的提升立刻显现。造物潭方面给出的数据是:真实企业研发中,单次器件选型与BOM生成人工往往要花约60分钟,接上小潭子后压到约20秒;处理离散资料、生成定制化工程图纸,人工约需60分钟,小潭子1分钟内就能完成。


不过造物潭盯的不只是这几个效率数字。商业路径上,它没打算走通用软件卖账号的标品路子,而是想借头部企业共创拿回真实业务反馈,再靠腰部客户把收入复制放大,最终让长尾客户转为长期订阅。按结果交付,数字员工才成为一支能持续进化的研发力量。


眼下,造物潭已经进入电子制造企业的研发场景,围绕硬件设计、工程审查、研发资料处理等专业任务,用数字员工接手高频研发工作;在电源电子和工业控制等领域,则围绕具体产品的方案设计与工程评审做探索。每一个真实项目,都在给系统添新的工程经验。


只卖一套软件,造物潭拿到的是license收入;走进企业研发现场、参与真实项目,它得到的就不只是订单,还有真实的工程决策、设计修改和验证结果。这正是它想转起来的数据飞轮——不先关起门造一个完美系统,而是在真实场景里边用、边采集、边迭代,让数字员工从基础执行一步步走向更复杂的研发任务。




4.造物潭期待的未来:

先问想创造什么,再问能不能做


按照计划,造物潭会分阶段向开发者开放小潭子,同时尝试对接区域性的柔性制造资源,让AI生成的工程设计从图纸直接走到打样和实物制造。


一次极限测试已经验证了这条路走得通。一位毫无硬件专业背景的软件工程师,靠小潭子在几个小时内就完成了四足机器人原型的核心电子与结构设计,拿出BOM、原理图、PCB和三维结构等可编辑工程文件,模型调用花费只有约30元人民币。这套设计做完首轮实物试制,原型样机已经上电跑起来,核心功能也通过了验证。


硬件设计的门槛一旦被拉低,参与产品创造的主体就可能从专业团队扩展到更广的人群。爱好者能把自己的机器人想法做出来,初创公司能以更低成本试错产品方向,创客在车库里就能走完从构思到样机的全流程。造物潭想做的还不止这些。


文堃提到,过去企业有了新产品的点子,头一件事常常是盘算自己造不造得出来;而造物潭希望看到的将来是,更多企业能把问题换成:我们到底想造出什么?


「甲子光年」认为,这句话点出了制造业AI的终极命题:目的不是让工程师丢掉饭碗,而是把他们的时间还给创造。


基础执行交给数字员工之后,工程师才有余力去想更本质的事:这个产品解决了什么痛点?这个设计是不是最优解?这个方案能不能创造新的可能性?


先让AI把活干完,再谈创造。AI要真正替工程师上班,恐怕得从多岗位智能体跨软件实打实干活开始,这也是造物潭存在的最大意义。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 辛顿:AI数学已超多数数学家,10年内或开出人类看不懂的分支

    【“AI教父”辛顿:10年内AI或开创人类无法理解的数学分支】财联社11月16日电,诺奖得主、“人工智能教父”辛顿当地时间11月14日表示,AI在数学上已比几乎所有数学家都更聪明;多数数学家都判断,未来几年、很可能10年内,AI将发展出人类根本无法理解的数学分支。(澎湃新闻)...

    来源 腾讯网
  2. 给AI充钱,只为它“别忘了我”

    聊天聊到一半,对方突然“断片失忆”,是一种什么体验? 放在现实社交里是尴尬,放在 AI 陪伴APP里,意味着你可能要交一笔特殊的“感情维护费”了。 如今,一些AI陪伴产品已经将月卡、记忆包、虚拟礼物等拆分成不同的收费项目。想让虚拟角色记住更多聊天内容,维持相对稳定的人设,或者获得更丰富的互动体验,用户需要解锁不同的付费

    来源 AI 行业观察
  3. 千问帮砍价1899元买扫地机器人,商家开始劝退AI议价

    很多人压根没意识到,这根本不是胜利,而是在消费层面亲手打开了潘多拉魔盒!AI砍价看起来是一次省钱尝试,但它带来的长期变化,也得提前想想。我不反对消费者尝试新工具,只是觉得,不能只看眼前省下的几十元,还要看大规模使用后会不会增加新的沟通成本。原因很简单,你能用AI,商家也能。这几天最火的案例,是一位网友让千问替他砍一款2

    来源 AI 行业观察
  4. 三大厂内存涨价7倍的锅,AI不背了

    最近,硬件圈发生了一件魔幻的事。因为新一代DDR5内存条贵得离谱,而老款DDR4和DDR5插槽互不兼容,逼得多家主板厂从年中开始掉头重启了原本停产的DDR4主板产线。 更离谱的是,玩家去市场上一问价,发现老旧的DDR4不仅没便宜,近期涨幅一度反超了新款DDR5。今年的笔记本新品们,更是集体退回16GB内存时代。 这一年

    来源 AI 行业观察
  5. 美银调查:基金经理20年来最猛减仓科技股,AI过度投资担忧破纪录

    美银调查显示,全球基金经理科技股超配比例从10月的37%骤降至12%,单月降幅创近20年之最,创纪录的38%受访者直指AI存在过度投资。美银策略师直言"AI繁荣与亢奋情绪已经终结"。与此同时,净67%的基金经理预计欧股将在未来一至三个月内上涨,为今年2月以来最高读数。

    来源 华尔街见闻
  6. 高盛五份研报:AI增速2027上半年触顶,市场承压甚于经济

    数据印证了这一判断:AI仅贡献美国GDP增长21%,却撑起标普500盈利增长62%和峰值市值涨幅92%——增速见顶对市场的杀伤力将远超对实体经济。高盛认为,盈利增速将从36%腰斩至11%,AI发债潮致信用利差走阔,日元成最佳AI风险对冲首选,黄金看涨至4650美元,铜看至15600美元。

    来源 华尔街见闻
  7. SuperLink2026落地北京:12月2-3日,3000位创投人聊什么

    2026年,中国股权投资市场正在经历深刻的结构性演进。一级市场投资逻辑持续迭代,资本对于长期价值与产业落地的关注不断加深,人工智能加速渗透各行各业,一批创新企业和年轻创业者正在崭露头角。资本、科技与产业之间高效、深度的连接,正变得更加重要。 在此背景下,12月2-3日,由清科控股(01945.HK)、投资界主办的Sup

    来源 AI 行业观察
  8. AI 冲击大学数学课堂,加州理工学院教授不再依据答案对错批改作业

    IT之家 11 月 17 日消息,据《商业内幕》16 日报道,在加州理工学院任教 17 年的数学教授倪忆表示,自己不再根据学生答案的对错给作业打分,而是只检查是否完成。“教育过程出了问题。大学里的数学作业,几乎都能用 AI 来做。” 究其原因,在于学生普遍使用 AI 完成作业。倪忆坦言,作为教授,自己根本无法判断学生交

    来源 AI 行业观察
  9. AI都会了,人为什么还要自己学?在美专家的忠告:为了慢慢长出自己的判断力

    从能解奥数题,到协助攻克悬置数十年甚至百年的数学难题,AI(人工智能)正在深刻重塑数学领域的研究方式。而这种“大显身手”也在逐渐蔓延至化学、物理等领域。许多人担心AI会取代人类,但来自美国范德堡大学化学助理教授杨中悦和其前博士生邵乾真的一份最新研究却证明,他们所创造的AI工具可以提升科学家们的工作效率,而...

    来源 腾讯网
  10. 世界智能制造大会十年:南京车间里的AI答案

    “大力发展新一代智能制造,持续做大做强先进制造业。”11月19日至21日,2026世界智能制造大会将在南京国际博览会议中心举行。大会的主题,也是写在南京车间里的一道题。自2016年首届大会落地以来,这项盛会与南京已经相伴十年。从机器换人、联网上云、黑灯工厂,到如今的人工智能,始终引领世界智能制造“新风向”。今年,...

    来源 腾讯网
  11. 李沐出任Aimotion联合创始人兼CTO,这家AI公司做什么的?

    AI大神李沐,悄悄多了一个新身份。 最新消息,这位前AWS AI资深首席科学家、Apache MXNet创始人之一、卡内基梅隆计算机博士,已经正式出任硅谷AI公司Aimotion的联合创始人兼CTO,亲自带队搭建其下一代产业级AI技术体系。 这家公司来头不小,Aimotion主要面向汽车等高价值、长决策周期行业,提供A

    来源 AI 行业观察
  12. 用AI生成免登录Yandex聚合页:纯前端导航实战

    浏览器书签太乱?每次搜东西都要先登录?本文复盘如何用快马AI快速生成一个纯前端的Yandex聚合入口。无需后端,不用注册,打开即用。支持深色模式、快捷键和本地偏好保存,把搜索、翻译、地图等服务收拢到一个页面,解决跨境办公中的碎片化痛点。

    来源 AI 应用前沿
向下滚动自动加载更多